大家好，我是阿潘，今年太多炸裂的成果涌现，今天和大家分享号称 CV 的GPT-3 时刻的SAM（Segment Anything Model）的一个相关研究成果。
SAM简介
迄今为止最大的分割数据集，在1100万的图像上有超过10亿个掩码。该模型被设计和训练为可提示的（promt），因此它可以将zero-shot transfer零样本迁移到新的图像分布和任务。
promt : 例如，点，框，掩码
当模型遇到 promt，那可玩性可太强了，交互性直接拉满！！！今天介绍一个工作将点的跟踪和SAM结合实现强大的视频分割能力。
SAM + 点跟踪 = 超强交互视频分割
Segment Anything Meets Point Tracking
论文：https://arxiv.org/abs/2307.01197
代码：https://github.com/SysCV/sam-pt
主页：https://www.vis.xyz/pub/sam-pt/
摘要：
Segment Anything Model (SAM) 已成为强大的零样本图像分割模型，采用交互式提示（例如点）来生成掩模。本文介绍了 SAM-PT，这是一种扩展 SAM 跟踪和分割动态视频中任何内容的能力的方法。SAM-PT 利用稳健且稀疏的点选择和传播技术来生成掩模，证明基于 SAM 的分割跟踪器可以在流行的视频对象分割基准（包括 DAVIS、YouTube-VOS 和 MOSE）中产生强大的零样本性能。与传统的以对象为中心的掩模传播策略相比，我们独特地使用点传播来利用与对象语义无关的局部结构信息。我们通过对零样本开放世界未识别视频对象（UVO）基准的直接评估来强调基于点的跟踪的优点。为了进一步增强我们的方法，我们利用 K-Medoids 聚类进行点初始化并跟踪正点和负点以清楚地区分目标对象。我们还采用多个掩模解码通道进行掩模细化，并设计点重新初始化策略以提高跟踪精度。
整体架构：
Interactive Video Segmentation Demo
参考资料：
https://zhuanlan.zhihu.com/p/619962145